线结构的提取

线结构提取

• 提出了基于平行坐标的高光谱图像边缘检测算法
• 提出了基于切方向的光滑线段提取算法
• 提出了基于Graph-cut的线结构提取框架
• 研究线提取技术的应用提出了电力线检测算法
• 提出了基于Riemannian度量的线结构提取方法

---

线结构提取的基础理论方法

• 人类视觉可以从复杂的背景干扰中感知到具有物理意义的线结构，但是往往，在电力线提取的过程中，虽然我们人眼可以很显然的发现待处理图像中的电力线成分，但是当计算机在处理图像数据的时候，却往往无法滤除各种噪声因素，无法发现电力线，这个时候，电脑就没有了我们人眼所拥有的一个叫做“大局观”的东西，在这里，这个“大局观”称之为“感知聚集”（Perceptual Organization or Grouping），即机器视觉中与人类视觉这一感知过程相对应的环节。所以，若想要让机器识别出复杂情况下的电力线，就必须加入“感知聚集”的过程。
• 所以，结合上面的过程来看，线结构的提取的一般实现步骤可以总结为：

    A[原始图像] -->|预处理| B(平滑图像)    B --> |边缘检测|C(边缘图像)    C -->|感知聚集| D(线结构)

---

局部模式分析的方法

1. 基于微分的边缘检测
   典型算法：Robert,Sobel,Canny
   都是用一些算子，来对提取图像的边缘信息，其中canny算法拥有比较不错的效果，其中有两个参数需要人为设定，一个决定筛选大边缘的灵敏程度，一个决定了筛选较小边缘的灵敏程度，而且canny算子提取出来的边缘比别的算子提取出来的边缘更加具有连续性。
2. 基于数学形态学的边缘检测
   形态膨胀和腐蚀是数学形态学检测的基础。其基本思想是：利用一个称作结构元素的探针在图像中按规则滑动，从而获取图像结构特点，作为探针的结构元素可以直接携带形状，大小，色度等信息。
   ‘探针’其实就是在图像滤波处理中经常用到的‘矩阵’，类似于sobel算子之类的矩阵，那么数学形态学的算法和基于微分的算法有什么实质上的区别呢。
   由膨胀和腐蚀的定义可以发现，形态学的运算是一种非线性的微分运算，其实也算是对传统边缘检测算子的推广。（其实我也没搞清楚两者的差异。。）
3. 基于模糊学的边缘检测
   又是一个晦涩难懂的方法。。。基于模糊学的边缘检测算法使用了‘模糊值’来表示图像的明暗。（并不是灰度值，那是什么呢。。。）。将灰度值变换到‘模糊集’中，再利用不确定性来刻画灰度变化的模糊性，最后根据像素隶属度来定位边缘。总之，算法复杂度比较高，实现较为困难。

4. 基于拓扑的边缘检测
   首先，这个算法将图像看做为一个拓扑地形图。

   • 其中用的比较多的是一种基于‘曲率估计’的算法。将曲率达到局部极值的点当做边缘点。这个方法定位的精度不够。
   • 另一种方法是使用一个抽象函数来描述这幅‘拓扑地形’图，然后在每个点的领域用Taylor多项式展开逼近，先利用拓扑几何性质估计Taylor多项式系数，再根据Taylor多项式的Hessian矩阵确定边缘方向，将垂直于边缘方向上的具有二阶方向导极值的点作为边缘点（迷迷糊糊。。）
     这种方法提取的边缘精度非常的高，但是容易导致支队一定尺度的边缘有好的相应。在使用的时候可以加入Gaussian核，可以将这类方法适用于任意尺度的边缘检测。遥感图像里的道路检测经常采用这类方法！
   • 第三种方法是基于匹配滤波器的思想。
     ‘眼球’这篇paper里面就使用了这个方法。这类方法一般呈Gaussian型。可以区分阶跃信号和线结构，被广泛应用于血管等线结构的提取。不足之处就是需要在多个方向进行计算，CPU压力比较大。这个方法在应用于电力线检测的时候效果并不好，特别是在背景较为复杂的时候，有很多的背景会被认为是‘线结构’而不是‘阶跃信号’。

   眼球_paper：Retinal vessel extraction by matched filter with first-order derivative of Gaussian

5. 基于统计的边缘检测
   鲁棒性（robustness）又称作抗变换性，也就是系统的健壮性。
   这类边缘检测方法的基本思想就是将检测区域按给定的方向分成均等的两份，然后用统计的方法去分析两个区域的相似性，相似性越低，那么有边缘的可能性就越大。（但是在做电力线提取的时候，没有这种先验信息，所以并不适用），这个算法适用于已经知道‘边缘’大致出现方位的图像。这个方法具有比较好的鲁棒性。

6. 基于学习的边缘检测
   一句话，算法复杂度想当之高，调试比较困难，对内容简单的图像比较的有效。
   其中，基于神经网络的方法已经成为一个重要的分支。前馈型神经网络在边缘检测的问题上应用最为广泛，尤其是基于BP算法训练处前馈型网络（PCNN也很不错）。

PCNN_paper：An Image Segmentation Method Using Image Enhancement and PCNN with Adaptive Parameters

---

中层视觉感知聚集的方法

1. 启发式连接法
   最初的启发式连接法主要依据临近原则和连续原则来进行边缘的提取。弊端就是现实情况下，好多的图片都不太满足连续原则的条件，非常多本应该是连续的边缘都由于种种噪声导致并不连续，这样的话，再使用这个方法的时候，运算的时间就会大大增加，因为没有一个主要的连续线，变成了好多次要的连续线，还容易误判。但是Gioi等人提出了先行处理时间的直线段检测方法，检测效果得到了极大的提升，是直线检测的最优方法之一！

   PCNN_paper：LSD:A Fast Line Segment Detector with a False Detection Control

2. 投影变换法
   最典型的投影变换法就是hough了。将原始图像转化至另一个域里面进行分析。后来hough变换还演变出了检测圆边等信息的方法。
   投影变换是一种典型的全局处理方法，对噪声不敏感，但是不能体现全局的局部信息，容易丢失细节。

3. 能量最小化方法
   总体上来说基于都是基于概率模型和几何模型的较多。

paper：

Elder.Computing contour closure[M]
Wang S.Salient closed boundary extraction with ration contour[J]
Elder.Contour grouping with prior models[J]
Williams.A comparison measures for detection natural shapes in cluttered background[j]
Mahamud.Segmention of multiple salient closed contours from real images[J]
Stahl.Edge grouping combining boundary and region information[J]
Sappa.Unsupervised contour closure algorithm for range image edge-based segmentation[J]
Kaul.Detecting curves with unknown endpoints and arbitrary topology using minimal paths[J]

---